「AIを活用したビジネス予測ツールを開発したいが、これは特許になるのだろうか？」「ビジネス関連のAI技術に特許を取得するにはどのような要件が必要なのか？」—これらは、近年多くの企業が抱える疑問です。
ビジネス分野でのAI活用が加速する中、特許による保護の重要性も高まっていますが、ビジネス関連発明やAI関連発明は、従来から特許取得のハードルが高いとされてきました。特に実施可能要件やサポート要件といった記載要件を満たすことが難しく、多くの出願が拒絶されてきた歴史があります。
そこで本稿では、特許庁の審査ハンドブックに収録された事例47「事業計画支援装置」を詳細に分析し、ビジネス関連AI発明が特許として認められるための具体的なポイントを解説します。この事例は、AIを活用した事業計画支援装置について記載要件を満たすと判断された例であり、類似の技術分野での特許取得を目指す企業や開発者にとって、非常に参考になる内容です。
事例47では、以下のような特許請求の範囲が示されています。
【請求項1】
特定の商品の在庫量を記憶する手段と、
前記特定の商品のウェブ上での広告活動データ及び言及データを受け付ける手段と、
過去に販売された類似商品に関するウェブ上での広告活動データ及び言及データと、前記類似商品の売上数とを教師データとして機械学習された予測モデルを用いて、前記特定の商品の広告活動データ及び言及データから予測される今後の前記特定の商品の売上数をシミュレーションして出力する手段と、
前記記憶された在庫量及び前記出力された売上数に基づいて、前記特定の商品の今後の生産量を含む生産計画を策定する手段と、
前記出力された売上数と、前記策定した生産計画を出力する手段と、
を備える事業計画支援装置。
発明の詳細な説明では、本発明の背景と課題として、インターネットの普及によりウェブ上での広告活動が商品の売上促進のための有効な手段となっているものの、実際の広告活動の効果はリアルタイムでの判断が難しく、試行錯誤の中で在庫量不足などにより商機を逸するリスクがあることが示されています。
この課題を解決するため、本発明は特定の商品について、広告活動データとその言及データから今後の売上数の予測値を推定し、在庫量と売上数の予測値に基づいて今後の生産量を含む生産計画を提示する事業計画支援装置を提供することを目的としています。
本発明の構成要素として、以下のようなデータや機能が説明されています：
注目すべき点として、事例47の請求項1に対しては、記載要件違反（実施可能要件違反・サポート要件違反）の拒絶理由は通知されていません。つまり、記載要件を満たす事例として示されているのです。
事例47が記載要件を満たすと判断された理由を詳しく分析しましょう。
実施可能要件（特許法第36条第4項第1号）は、当業者が発明を実施できる程度に明確かつ十分に記載されているかを問うものです。事例47では以下の点が重要視されています：
入出力データの明確な特定：
データ間の相関関係の存在：
機械学習技術の明確な記載：
審査ハンドブックの解説には、次のように述べられています：
一般的な機械学習アルゴリズムを用い、相関関係等を有する入力データと出力データを教師データとして機械学習を行うことにより、入力に対して対応する出力を推定する予測モデルを生成可能であることは、出願時において周知である。
これは、機械学習技術自体は周知技術であるため、その詳細な説明は不要であり、入出力データ間に相関関係が推認できれば、当業者が実施可能と判断されることを示しています。
サポート要件（特許法第36条第6項第1号）は、請求項に記載された発明が発明の詳細な説明に記載されたものであるかを問うものです。事例47では、以下の点から請求項1の発明がサポート要件を満たすと判断されています：
課題解決手段の具体的記載：
実施例の具体性：
効果の合理的な予測可能性：
事例47の分析から、ビジネス関連AI発明の特許取得において重要なポイントを整理しましょう。
ビジネス関連AI発明において最も重要なのは、入力データと出力データの間の相関関係を明確にすることです。事例47では、広告活動データ・言及データと売上数との間に相関関係があることは技術常識として認められています。
しかし、技術常識として認められない場合は、以下のような対応が必要です：
相関関係の具体的な説明：
相関関係の理論的根拠：
AIモデル自体が発明の本質ではない場合、その詳細な説明は必ずしも必要ありません。事例47では、「ニューラルネットワークなど公知の機械学習アルゴリズム」という程度の記載で十分とされています。
ただし、以下の点には注意が必要です：
AIモデルが発明の本質である場合：
周知でない技術を用いる場合：
ビジネス関連発明では、単なるビジネス的効果だけでなく、技術的効果も示すことが重要です。事例47では、以下のような効果が両立しています：
ビジネス的効果：
技術的効果：
このように、ビジネス上の課題を技術的手段によって解決するという構成を明確にすることで、特許性が高まります。
事例47が記載要件を満たすと判断された一方で、似たようなAI関連発明でも記載要件違反とされるケースがあります。審査ハンドブックの他の事例と比較しながら、その違いを見てみましょう。
事例46「糖度推定システム」は、人物の顔画像とその人物が栽培した野菜の糖度との関係を機械学習により予測するシステムですが、実施可能要件違反とされています。
事例46が拒絶された理由：
事例47との違い：
事例49「体重推定システム」の請求項1は、人物の顔の形状を表現する特徴量と身長から体重を推定するシステムですが、サポート要件違反とされています。
事例49が拒絶された理由：
事例47との違い：
事例47の分析を踏まえ、ビジネス関連AI発明の特許出願において記載要件を満たすための実務上のポイントをまとめます。
課題の技術的側面を明確にする：
入出力データを具体的に特定する：
データ間の相関関係を説明する：
AI技術の利用方法を明確に記載する：
効果の具体的な記載：
技術的構成要素を明確に記載する：
入出力データを適切に限定する：
AIモデルの機能を具体的に記載する：
ビジネスプロセスと技術的処理の関係を明確にする：
拒絶理由を受けた場合の対応ポイントも押さえておきましょう：
相関関係に関する拒絶理由：
実施可能要件に関する拒絶理由：
サポート要件に関する拒絶理由：
事例47「事業計画支援装置」の分析から、ビジネス関連AI発明の特許取得において重要なポイントは以下のようにまとめられます：
技術的課題と解決手段の明確化：
データの相関関係の裏付け：
適切なAI技術の選択と記載：
効果の具体的な記載：
ビジネス関連AI発明は、単なるビジネス方法のシステム化やAIの単純適用では特許性が認められにくいですが、技術的課題の解決を明確に示し、入出力データ間の相関関係を適切に裏付けることで、事例47のように特許取得の可能性が高まります。
AI技術の進展とともに、ビジネス分野での応用も日々拡大しています。貴社のビジネスモデルやデータ分析手法に独自の工夫がある場合、それらは知的財産として保護できる可能性があります。弊所では、ビジネス関連AI発明の特許取得に関する豊富な経験と専門知識を活かし、最適な権利化戦略をご提案いたします。お気軽にご相談ください。